我们和大模型对话、生成图像、渲染视频时，AI 程序本身并不消耗一滴水。但藏在这些线上服务背后、日夜运转的 GPU 算力集群，正在催生一股新的淡水需求。在不少本就缺水的区域，算力设施的取水需求，已经和居民生活、农田灌溉共享同一套有限的水资源配额，“AI 和人类抢水喝”，正是对这一现实冲突直白的概括。

算力耗水的核心，来自散热刚需。大模型训练与推理依赖大量芯片持续高负载运算，输入机房的电能绝大部分最终转化为热量。普通服务器机房依靠风冷就能维持温度稳定，但 AI 机柜功率密度远高于传统机房，风扇散热的上限不足以保障设备稳定运行，蒸发式水冷因此成为很多智算中心的主流方案。低温冷却水在封闭管路中流经服务器，带走芯片产生的热量；升温后的水体输送至冷却塔，依靠水分蒸发实现降温。蒸发掉的水直接散逸到大气，无法回到本地水系，机房必须持续补充淡水维持循环。除此之外，冷却水反复循环后盐度、杂质不断富集，需要定期排污置换，这部分同样构成稳定的用水损耗。还有一层常常被忽略的间接水足迹：算力离不开电力供给，火电、核电的发电环节本身就需要大量冷却水，算力规模持续抬升，对应的间接耗水也同步增加。

单独一次提问或者生成一张图，分摊下来的用水量并不起眼，冲突的关键点不在于全球用水总量，而在于资源的空间分配。出于电价优惠、土地成本、政策配套等因素，不少大型智算项目选址落在干旱少雨、水资源本就紧绷的区域。算力中心抽取的地下水或是接入的市政供水，和当地居民饮用水、农业灌溉用水来源一致。一座中型算力中心，单日冷却耗水可以达到百万升级别，长期持续取水，会缓慢拉低地下水位、分流流域可用水量，挤压民生与生态用水空间。海外多个干旱地带已经出现本地居民针对算力项目的反对声音，他们的诉求很清晰：维持生存的用水，优先级应当高于数据运算。

不同机构给出的单次 AI 交互耗水测算值差异明显，冷却方式、环境气温、水源类型都会带来巨大浮动，任何单一数字都不能当作定论。但有一个趋势已经确定：AI 用户规模还在扩张，多模态生成、长序列模型训练这类任务对算力的消耗增长更快，算力行业的用水需求处在上行通道。如果新项目上马前没有严谨的区域水资源承载力评估，局部缺水压力只会持续加剧。

产业端并非没有节水路径。干冷器依靠自然空气换热，几乎没有蒸发损耗，更适合气温偏低的地区；浸没式液冷采用密闭循环体系，从根源上削减水分流失；还有部分算力基地选择再生中水作为冷却介质，不再取用优质饮用水。但节水方案本身存在取舍：低水耗、零水耗的冷却架构，通常会推高用电成本，水耗和能耗天然形成制衡，企业要在取水指标、电费支出、运维难度之间权衡，这类技术很难无条件大面积铺开。

这个议题需要克制地看待，不必简单把 AI 描绘成吞噬淡水的巨兽。放到全球或者全国尺度对比，算力产业的淡水总消耗量，仍然远低于农业以及传统重工业。“抢水” 不是技术自带的矛盾，本质上是局部水资源分配问题。真正值得警惕的风险，是算力扩张的粗放化：项目扎堆布局在水资源承压流域、取水管控宽松、前期缺少流域层面的长期用水推演。

算力产业要持续发展，不能只核算算力产出与经济效益，水资源账同样必须纳入决策框架。将用水效率、取水来源作为智算项目准入的硬性约束，优先落地中水复用、无水冷却方案，按照流域水资源禀赋规划算力布局，才有可能避免数字产业的扩张，和普通人赖以生存的水资源形成零和博弈。